GPU加速

利用GPU对矩阵运算的天然优势，加速MATLAB中相关计算，提升程序性能。

数据库技术的进步、数据挖掘应用的兴起、生物基因技术的不断发展以及历史数据规模的爆炸式增长, 都对高性能计算提出了更高的要求。虽然分布式系统可以部分解决大型计算问题, 但是其通信开销大、故障率高、数据存取结构复杂且开销大、数据安全性和保密性难以控制等问题依然存在。而计算机处理器, 特别是GPU技术的快速发展, 为高性能数据并行计算提供了新的解决方案。

介绍了一种高度并行化的两阶段定向图像/视频插值算法，实现实时分辨率上变频。首先，算法通过利用四个对角邻居插入缺失像素，生成梅花形图像。随后，在第二阶段，进一步插值处理梅花形图像中的丢失像素。

蒙特卡洛eXtreme（MCX） - CUDA版作者：方千千（neu.edu的q.fang）许可证：GNU通用公共许可证版本3（GPLv3）版本：1.8（v2020，狂暴费米子）网站：[官方网站链接] MCX v2020代表着快速、通用且功能丰富的开源Monte Carlo 3D光子模拟器的开发新里程碑。它在功能和稳定性方面进行了大量改进。以下是版本更新的主要新增功能： 内置基准，帮助新用户更轻松地测试和采用 过渡到JSON / JNIfTI输入/输出文件，方便数据共享 支持使用二进制量数据，并将模拟结果导出为JSON格式 完全适配MCXStudio / MCX / MMC等平台 MCX为研究人员提供了一个高效且易于使用的工具，广泛应用于光子学、医学成像等领域。

此函数通过GPU实现了矢量化FFT，结果与Matlab的fft和ifft函数相同。需安装Naga K. Govindaraju的GPUFFTW2.0库，详见http://gamma.cs.unc.edu/GPUFFTW/。适用于Linux和Windows，支持实数和复数FFT，特别适合超过2^20点的大规模FFT。为获得最佳性能，推荐使用AGP8X/PCI-Express NVIDIA GeForce 6800 GT或更快的GPU，视频RAM决定GPU可处理的最大FFT数组长度。

这篇文章介绍了一种新开发的基于频域的维纳滤波器算法，专为GPU设计，以增强图像的去斑效果，并考虑了图像的局部特征。该方法在Matlab R2018b环境下开发，要求使用CUDA v9.1和cudnn v7.1.3进行GPU加速。研究由那不勒斯大学“Parthenope”完成，仅限于非营利用途。引用时请参考文献 B. Kanoun、G. Ferraioli、V. Pascazio和G. Schirinzi（2019）。

这项改进稍微修改了MATLAB用于GPU数组的梯度计算函数，显著提高了处理大型数组（例如1024*256数组）的速度，速度提升达到2-5倍。

讨论在GPU上优化矩阵乘法时，首先需了解矩阵乘法本身及GPU与CUDA编程模型基础。矩阵乘法是科学计算中的核心操作，广泛用于工程、物理和数学领域。GPU作为高性能并行处理器，能显著加速多种计算密集型任务，特别是矩阵乘法。CUDA为NVIDIA GPU设计的并行计算架构，提供C语言风格的编程接口，允许直接在GPU上执行自定义并行算法。GT200是NVIDIA的重要GPU型号，支持双精度计算，适合科学计算。优化矩阵乘法可通过算法复杂度和时间复杂度的研究，以及针对特定处理器架构的算法优化，如CUBLAS库提供的高性能矩阵乘法。文章提到，矩阵分块方法有效利用GPU并行性，提高计算效率。还探讨了资源利用分析、显存数据调度设计和算法优化策略。通过合理的内存管理和数据调度，可显著提高矩阵乘法的效率。

官网下载速度不给力？快来试试这个文件，下载速度杠杠的！

然而，这本书采取了另一种方法。本书面向开发或维护MATLAB应用程序的学生、科学家和工程师，希望通过GPU编程加速其代码，同时不失MATLAB提供的诸多优势。本书的读者可能对MATLAB编码有一定或较多的经验，但对并行架构不甚熟悉。